[논문 리뷰] Motion Estimation in Occupancy Grid Maps in Stationary Settings Using Recurrent Neural Networks

Marcel Schreiber, Vasileios Belagiannis외 2명|arXiv (Cornell University)|2019. 09. 25.

Autonomous Vehicle Technology and Safety참고 문헌 28인용 수 21

한 줄 요약

이 논문은 라이다 기반 측정 격자지도 시퀀스로부터 동적 점유 격자지도를 추정하기 위해 ConvLSTM 레이어를 갖춘 순환 신경망(RNN)을 제안한다. 이는 각 셀의 점유 확률과 2차원 속도를 예측한다. 복잡한 주행 조작(감속 및 회전)에서 입자 필터 기반 기준선 대비 더 일관되고 정확한 속도 추정을 제공하며 정적 영역에서의 잘못된 예측 수를 줄인다.

ABSTRACT

In this work, we tackle the problem of modeling the vehicle environment as dynamic occupancy grid map in complex urban scenarios using recurrent neural networks. Dynamic occupancy grid maps represent the scene in a bird's eye view, where each grid cell contains the occupancy probability and the two dimensional velocity. As input data, our approach relies on measurement grid maps, which contain occupancy probabilities, generated with lidar measurements. Given this configuration, we propose a recurrent neural network architecture to predict a dynamic occupancy grid map, i.e. filtered occupancy and velocity of each cell, by using a sequence of measurement grid maps. Our network architecture contains convolutional long-short term memories in order to sequentially process the input, makes use of spatial context, and captures motion. In the evaluation, we quantify improvements in estimating the velocity of braking and turning vehicles compared to the state-of-the-art. Additionally, we demonstrate that our approach provides more consistent velocity estimates for dynamic objects, as well as, less erroneous velocity estimates in static area.

연구 동기 및 목표

• 복잡한 도심 환경에서 점유 격자지도를 사용하여 동적 차량 환경을 모델링하는 데 도전하는 것.
• 특히 감속 및 회전 주행 조작 중에 움직이는 물체의 속도 추정 정확도를 향상시키는 것.
• 입자 필터 기반 방법 대비 정적 영역에서 잘못된 속도 예측을 줄이는 것.
• 일정 속도 가정과 같은 운동 가정에 의존하지 않는 학습 기반 접근법을 개발하는 것.
• 라이다 측정의 시공간적 시퀀스를 활용하여 강인하고 일관된 운동 추정을 가능하게 하는 것.

제안 방법

• 이 방법은 피드포워드 및 순환 신경망 모듈을 조합한 하이브리드 아키텍처를 사용하며, 측정 격자지도 시퀀스를 처리하기 위해 ConvLSTM 레이어를 활용한다.
• ConvLSTM 레이어는 이웃 셀 간의 공간적 맥락을 활용하여 시간과 공간을 모두 고려한 시공간적 의존성을 모델링함으로써 운동을 포괄적으로 기록한다.
• 사전 처리된 라이다 데이터와 기존 알고리즘을 기반으로 자동으로 생성된 레이블을 사용해 지도 학습 방식으로 네트워크를 훈련시킨다.
• 순환 스케잎 연결 아키텍처를 통해 출력 레이어에서 고해상도의 조밀한 예측을 보장한다.
• 입력은 라이다 포인트 클라우드에서 유도된 측정 격자지도로, 각 셀은 점유 확률을 포함한다.
• 출력은 각 점유 셀에 대한 점유 확률과 2차원 속도 성분(vE, vN)을 포함하는 동적 점유 격자지도이다.

실험 결과

연구 질문

• RQ1 입자 필터 기반 방법 대비 학습 기반 RNN 접근법이 복잡한 주행 시나리오에서 속도 추정 정확도를 향상시킬 수 있는가?
• RQ2 제안된 방법이 동일한 물체를 나타내는 인접 셀 간의 일관성 없는 속도 추정을 줄일 수 있는가?
• RQ3 일정 속도 가정이 실패하는 경우, 예를 들어 감속 및 회전 주행과 같은 복잡한 조작에서 모델 성능은 어떠한가?
• RQ4 명시적 객체 탐지나 데이터 연동 없이도 모델이 미리 보지 않은 도심 환경으로 일반화할 수 있는가?
• RQ5 정적 영역에서 잘못된 속도 예측은 어느 정도 감소하는가?

주요 결과

• 정지-재시동 시나리오에서 제안된 방법은 속도 크기의 평균 절대 오차(MAE)가 0.742 m/s를 기록하여 입자 필터 기준선(1.268 m/s)을 능가했다.
• 속도 방향에 대해서는 제안된 방법이 평균 절대 오차 8.447°를 기록하여 기준선의 10.515°보다 유의미하게 낮았다.
• 원형 주행 시나리오에서 제안된 방법은 방향 MAE를 6.205°로 줄였고, 기준선의 21.084° 대비 뛰어난 성능을 보였다. 이는 비선형 운동에서의 우수한 성능을 입증한다.
• 정지-재시동 시나리오에서 제안된 방법은 더 낮은 평균 표준편차(¯σvel = 0.264 m/s)를 기록하여 더 일관된 속도 추정을 제공했다.
• 정성 평가 결과 정적 영역에서 잘못된 속도 추정이 줄었으며, 정적 장애물 윤곽선 주변에서 색상 노이즈가 줄어들고, 더 많은 속도 화살표가 접선 방향으로 정렬되었다.
• 모델은 미리 보지 않은 도심 교차로로의 일반화 능력이 뛰어나, 지상 진실과 유사한 속도 추정을 생성했으며, 동적 시나리오에서 입자 필터를 능가했다.